基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法.首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量...     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于变分模态分解与最小熵解卷积的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合变分模态分解和最小熵解卷积,给出了一种新的故障诊断方法。首先,以包含啮合频率的分量的包络峭度最大作为原则,确定变分模态分解的分量个数;然后,将齿轮振动信号运用变分模态分解,得到多个分量;选取包含啮合频率的分量作为敏感分量;接着,应用最小熵解卷积,将敏感分量降噪;最后,应用包络分析技术进行故障诊断。通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于EEMD分解与PCA-FCM聚类的岸桥减速箱故障诊断方法

针对岸边桥式起重机(岸桥)减速箱特征提取以及故障诊断问题,提出了一种集合经验模态分解(EEMD)与主成分分析(PCA)-模糊C均值(FCM)聚类的减速箱故障诊断组合方法。首先,通过EEMD分解将减速箱非线性、非平稳振动信号分解为若干个固有模态函数(IMF),提取每个IMF分量的多维故障特征;然后,使用主成分分析法对故障特征进行降维,并分析了减速箱振动信号的特征值与故障模式之间的关系,通过模糊C均值聚类算法对减速箱的状态进行识别。实验结果表明,EEMD-PCA-FCM方法对减速箱的3种状态有很高的识别准确率,表明该方法是一种准确有效的减速箱故障诊断方法。     

基于多准则融合的滚动轴承振动信号消噪方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出了基于多准则融合的滚动轴承振动信号消噪方法。该方法采用集合经验模态分解(EEMD)方法对原始振动信号进行分解得到一组IMF分量,计算各阶IMF分量和原始振动信号的相关系数、各阶IMF分量和原始振动信号包络谱的J散度、各阶IMF分量的峭度值;分别根据相关系数准则、J散度准则、峭度准则选取有效IMF分量,将同时保留的IMF分量作为有效分量进行信号重构。实验结果表明,该方法可以有效地提取滚动轴承早期微弱故障信息,能够有效抑制经验模态分解(EMD)中的模态混叠问题,同时削弱低频噪声,突出高频共振成分,具有良好的自适应性。     

一种参数优化VMD多尺度熵的轴承故障诊断新方法

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.     

矿用带式输送机托辊音频故障诊断方法

现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域,从频域提取特征进行故障诊断,而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题,导致故障诊断准确率较低。针对上述问题,提出了一种基于变分模态分解（VMD）-BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号,并对音频信号进行预处理,以抑制音频信息中的噪声信号;然后采用VMD将音频信号按照中心频率分解成不同的IMF（本征模态函数）分量,提取各个IMF分量的峭度、重心频率、频率标准差等特征值;最后将特征值输入到已经训练好的BP神经网络,根据IMF分量特征值的差异,可以实现通过音频对矿用带式输送机托辊故障进行诊断,并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD-BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证,结果表明：该方法在分解、提取音频信号特征时,可以避免分解过程中的频谱混叠与端点效应,总体故障诊断准确率达到96.15%,与采用BP神经网络的故障诊断方法和...     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

风电机组轴承早期故障特征提取研究

针对风电机组滚动轴承早期故障振动信号微弱、强干扰、非平稳、非线性的特点,提出基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-排列熵(Permutation Entropy,PE)-遗传算法(Genetic Algorithm, GA)的特征提取方法。方法先计算振动信号经CEEMDAN分解得到多个本征模态函数(Intrinsic Mode Function,IMF)的排列熵值和方差贡献率,剔除虚假、低贡献率分量;根据识别误差最小和特征子集数目最少两个目标,构造了适应度函数,通过GA进行特征选择选出最优特征子集。仿真分析,上述方法能够快速有效提取不同故障的振动信号特征指标,为故障模式识别问題提供良好的思路和方法。     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于EEMD样本熵和SVDD的在役锚固螺杆故障诊断研究

为了实现对重庆市轻轨轨道梁的在役锚固螺杆的健康检测并且能够及时发现故障螺杆,本文提出了一种基于集合经验模态分解(EEMD)的样本熵与支持向量数据描述(SVDD)相结合的诊断方法。首先,利用EEMD方法将得到的正常锚固螺杆振动信号分解为若干个平稳的本征模态函数(IMF)分量,然后计算得到每个分量的样本熵,最后把得到的样本熵作为特征集输入到SVDD分类器进行训练和分类。大量实验结果表明,该方法不仅解决了故障样本缺乏的难题而且对锚固螺杆故障识别的错分率可以控制在5%以下,因此可以作为锚固螺杆是否处于正常工作状态的重要检测方法。     

自适应局部迭代滤波在齿轮故障识别中的应用

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题,提出将自适应局部迭代滤波应用到齿轮故障识别中,与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数,通过计算各本质模态函数的样本熵,发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界,前几个本质模态函数的样本熵能表征不同故障类型的特征;计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值,将其作为对应工况标准故障模式的参考值;计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度,与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明,通过自适应迭代滤波能有效抑制模态混叠现象,发现明显的齿轮转频信号,而采用集合经验模式分解(EEMD)方法进行信号分解后,模态混叠现象比较明显,且在EEMD的分解结果中基本看不出齿轮的转频分量;4种工况的样本熵曲线形状存在明显差异,说明样本熵能有效表征齿轮故障特征的变化;灰色关联度方法能有效地将4种不同的故障类型进行分类识别,分类识别性能优于BP神经网络,对小样本数据具有较好的分类识别能力。     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。